问题:熊猫合并101
- 如何执行与熊猫(
LEFT
|RIGHT
|FULL
)(INNER
|OUTER
)的联接? - 合并后如何为缺失的行添加NaN?
- 合并后如何去除NaN?
- 我可以合并索引吗?
- 与大熊猫交叉交往?
- 如何合并多个DataFrame?
merge
?join
?concat
?update
?WHO?什么?为什么?!
… 和更多。我已经看到这些重复出现的问题,询问有关熊猫合并功能的各个方面。如今,有关合并及其各种用例的大多数信息都分散在数十个措辞不好,无法搜索的帖子中。这里的目的是整理后代的一些更重要的观点。
本QnA是下一章有关大熊猫习语的有用的用户指南中的下一部分(请参阅有关透视的这篇文章和有关串联的这篇文章,我将在以后进行探讨)。
请注意,本文并非旨在代替文档,因此也请阅读!一些示例是从那里获取的。
回答 0
这篇文章旨在为读者提供有关SQL风格的与熊猫的合并,使用方法以及何时不使用它的入门。
特别是,这是这篇文章的内容:
基础-联接类型(左,右,外,内)
- 与不同的列名合并
- 避免在输出中出现重复的合并键列
- 在不同条件下与索引合并
- 有效地使用您的命名索引
- 合并键作为一个索引,另一个索引
- 多路合并列和索引(唯一和非唯一)
- 值得注意的替代品
merge
和join
这篇文章不会讲的内容:
- 与性能相关的讨论和时间安排(目前)。在适当的地方,最引人注目的是提到更好的替代方案。
- 处理后缀,删除多余的列,重命名输出以及其他特定用例。还有其他(阅读:更好)的帖子可以解决这个问题,所以请弄清楚!
注意
除非另有说明,否则大多数示例在演示各种功能时会默认使用INNER JOIN操作。此外,可以复制和复制此处的所有DataFrame,以便您可以使用它们。另外,请参阅这篇文章 ,了解如何从剪贴板读取DataFrames。
最后,已使用Google绘图手工绘制了JOIN操作的所有可视表示形式。从这里得到启示。
聊够了,只是告诉我如何使用merge
!
设定
np.random.seed(0)
left = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'value': np.random.randn(4)})
right = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'value': np.random.randn(4)})
left
key value
0 A 1.764052
1 B 0.400157
2 C 0.978738
3 D 2.240893
right
key value
0 B 1.867558
1 D -0.977278
2 E 0.950088
3 F -0.151357
为了简单起见,键列具有相同的名称(目前)。
一个内连接由下式表示
注意:
此规则以及即将发布的附图均遵循以下约定:
- 蓝色表示合并结果中存在的行
- 红色表示从结果中排除(即删除)的行
- 绿色表示缺少的值将在结果中替换为NaN
要执行INNER JOIN,请调用merge
左侧的DataFrame,并指定右侧的DataFrame和联接键(至少)作为参数。
left.merge(right, on='key')
# Or, if you want to be explicit
# left.merge(right, on='key', how='inner')
key value_x value_y
0 B 0.400157 1.867558
1 D 2.240893 -0.977278
这仅返回来自left
并right
共享一个公共密钥的行(在本示例中为“ B”和“ D”)。
甲LEFT OUTER JOIN,或LEFT JOIN由下式表示
可以通过指定执行how='left'
。
left.merge(right, on='key', how='left')
key value_x value_y
0 A 1.764052 NaN
1 B 0.400157 1.867558
2 C 0.978738 NaN
3 D 2.240893 -0.977278
请仔细注意NaN的位置。如果指定how='left'
,则仅left
使用from 的键,而right
NaN替换缺少的数据。
同样,对于RIGHT OUTER JOIN或RIGHT JOIN来说…
…指定how='right'
:
left.merge(right, on='key', how='right')
key value_x value_y
0 B 0.400157 1.867558
1 D 2.240893 -0.977278
2 E NaN 0.950088
3 F NaN -0.151357
在这里,right
使用了from 的键,而缺失的数据left
被NaN代替。
最后,对于FULL OUTER JOIN,由
指定how='outer'
。
left.merge(right, on='key', how='outer')
key value_x value_y
0 A 1.764052 NaN
1 B 0.400157 1.867558
2 C 0.978738 NaN
3 D 2.240893 -0.977278
4 E NaN 0.950088
5 F NaN -0.151357
这将使用两个框架中的关键点,并且会为两个框架中缺少的行插入NaN。
该文档很好地总结了这些各种合并:
其他联接-左排除,右排除和全排除/ ANTI连接
如果您需要分两个步骤进行LEFT-Exclusive JOIN和RIGHT-Exclusive JOIN。
对于不包括JOIN的LEFT,表示为
首先执行LEFT OUTER JOIN,然后过滤(不包括!)left
仅来自于行的行,
(left.merge(right, on='key', how='left', indicator=True)
.query('_merge == "left_only"')
.drop('_merge', 1))
key value_x value_y
0 A 1.764052 NaN
2 C 0.978738 NaN
哪里,
left.merge(right, on='key', how='left', indicator=True)
key value_x value_y _merge
0 A 1.764052 NaN left_only
1 B 0.400157 1.867558 both
2 C 0.978738 NaN left_only
3 D 2.240893 -0.977278 both
同样,对于除权利加入之外,
(left.merge(right, on='key', how='right', indicator=True)
.query('_merge == "right_only"')
.drop('_merge', 1))
key value_x value_y
2 E NaN 0.950088
3 F NaN -0.151357
最后,如果您需要执行合并操作,而该合并操作只保留左侧或右侧的键,而不同时保留两者(IOW,执行ANTI-JOIN),
您可以通过类似的方式进行操作-
(left.merge(right, on='key', how='outer', indicator=True)
.query('_merge != "both"')
.drop('_merge', 1))
key value_x value_y
0 A 1.764052 NaN
2 C 0.978738 NaN
4 E NaN 0.950088
5 F NaN -0.151357
键列的不同名称
如果键列的名称不同(例如,left
has keyLeft
和right
has keyRight
代替),key
则必须指定left_on
和right_on
作为参数,而不是on
:
left2 = left.rename({'key':'keyLeft'}, axis=1)
right2 = right.rename({'key':'keyRight'}, axis=1)
left2
keyLeft value
0 A 1.764052
1 B 0.400157
2 C 0.978738
3 D 2.240893
right2
keyRight value
0 B 1.867558
1 D -0.977278
2 E 0.950088
3 F -0.151357
left2.merge(right2, left_on='keyLeft', right_on='keyRight', how='inner')
keyLeft value_x keyRight value_y
0 B 0.400157 B 1.867558
1 D 2.240893 D -0.977278
避免在输出中重复键列
在keyLeft
from left
和keyRight
from 上进行合并时right
,如果只希望在输出中使用keyLeft
或keyRight
(但不同时使用)中的任何一个,则可以从将索引设置为初步步骤开始。
left3 = left2.set_index('keyLeft')
left3.merge(right2, left_index=True, right_on='keyRight')
value_x keyRight value_y
0 0.400157 B 1.867558
1 2.240893 D -0.977278
将此与命令输出(恰恰是的输出left2.merge(right2, left_on='keyLeft', right_on='keyRight', how='inner')
)进行对比(您会发现keyLeft
它丢失了)。您可以根据将哪个帧的索引设置为关键字来找出要保留的列。例如,当执行某些OUTER JOIN操作时,这可能很重要。
仅合并其中一个的单个列 DataFrames
例如,考虑
right3 = right.assign(newcol=np.arange(len(right)))
right3
key value newcol
0 B 1.867558 0
1 D -0.977278 1
2 E 0.950088 2
3 F -0.151357 3
如果只需要合并“ new_val”(不包含任何其他列),通常可以在合并之前仅对列进行子集化:
left.merge(right3[['key', 'newcol']], on='key')
key value newcol
0 B 0.400157 0
1 D 2.240893 1
如果您要进行左外部联接,则性能更高的解决方案将涉及map
:
# left['newcol'] = left['key'].map(right3.set_index('key')['newcol']))
left.assign(newcol=left['key'].map(right3.set_index('key')['newcol']))
key value newcol
0 A 1.764052 NaN
1 B 0.400157 0.0
2 C 0.978738 NaN
3 D 2.240893 1.0
如前所述,这类似于但比
left.merge(right3[['key', 'newcol']], on='key', how='left')
key value newcol
0 A 1.764052 NaN
1 B 0.400157 0.0
2 C 0.978738 NaN
3 D 2.240893 1.0
合并多列
要加入对多列,指定列表on
(或left_on
和right_on
,如适用)。
left.merge(right, on=['key1', 'key2'] ...)
或者,如果名称不同,
left.merge(right, left_on=['lkey1', 'lkey2'], right_on=['rkey1', 'rkey2'])
其他有用的merge*
操作和功能
- 合并具有Series on index的DataFrame:请参阅此答案。
此外
merge
,DataFrame.update
和DataFrame.combine_first
也用在某些情况下,更新一个数据帧与另一个。pd.merge_ordered
是有序JOIN的有用函数。pd.merge_asof
(阅读:merge_asOf)对于近似联接很有用。
本节仅介绍最基本的内容,目的只是为了激发您的胃口。更多的例子和案例,看到的文档merge
,join
以及concat
还有链接的功能规格。
基于索引的* -JOIN(+ index-column merge
s)
设定
np.random.seed([3, 14])
left = pd.DataFrame({'value': np.random.randn(4)}, index=['A', 'B', 'C', 'D'])
right = pd.DataFrame({'value': np.random.randn(4)}, index=['B', 'D', 'E', 'F'])
left.index.name = right.index.name = 'idxkey'
left
value
idxkey
A -0.602923
B -0.402655
C 0.302329
D -0.524349
right
value
idxkey
B 0.543843
D 0.013135
E -0.326498
F 1.385076
通常,索引合并看起来像这样:
left.merge(right, left_index=True, right_index=True)
value_x value_y
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
支持索引名称
如果索引被命名,然后v0.23用户还可以指定的级别名称on
(或left_on
和right_on
必要的)。
left.merge(right, on='idxkey')
value_x value_y
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
合并一个索引,另一个列
可以(并且非常简单)使用一个索引和另一个列进行合并。例如,
left.merge(right, left_on='key1', right_index=True)
反之亦然(right_on=...
和left_index=True
)。
right2 = right.reset_index().rename({'idxkey' : 'colkey'}, axis=1)
right2
colkey value
0 B 0.543843
1 D 0.013135
2 E -0.326498
3 F 1.385076
left.merge(right2, left_index=True, right_on='colkey')
value_x colkey value_y
0 -0.402655 B 0.543843
1 -0.524349 D 0.013135
在这种特殊情况下,left
为命名了索引,因此您也可以将索引名称与一起使用left_on
,如下所示:
left.merge(right2, left_on='idxkey', right_on='colkey')
value_x colkey value_y
0 -0.402655 B 0.543843
1 -0.524349 D 0.013135
除了这些,还有另一个简洁的选择。您可以使用DataFrame.join
默认值来联接索引。DataFrame.join
默认情况下不做LEFT OUTER JOIN,所以how='inner'
在这里是必要的。
left.join(right, how='inner', lsuffix='_x', rsuffix='_y')
value_x value_y
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
请注意,我需要指定lsuffix
和rsuffix
参数join
,否则会出错:
left.join(right)
ValueError: columns overlap but no suffix specified: Index(['value'], dtype='object')
由于列名相同。如果它们的名称不同,这将不是问题。
left.rename(columns={'value':'leftvalue'}).join(right, how='inner')
leftvalue value
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
最后,作为基于索引的联接的替代方法,可以使用pd.concat
:
pd.concat([left, right], axis=1, sort=False, join='inner')
value value
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
省略join='inner'
是否需要FULL OUTER JOIN(默认):
pd.concat([left, right], axis=1, sort=False)
value value
A -0.602923 NaN
B -0.402655 0.543843
C 0.302329 NaN
D -0.524349 0.013135
E NaN -0.326498
F NaN 1.385076
有关更多信息,请参见@piRSquared 上pd.concat
的此规范帖子。
通用化:merge
处理多个DataFrame
通常,将多个DataFrame合并在一起时会出现这种情况。天真的,这可以通过链接merge
调用来完成:
df1.merge(df2, ...).merge(df3, ...)
但是,对于许多DataFrame,这很快就变得一发不可收拾。此外,可能有必要归纳为未知数量的DataFrame。
在这里,我将介绍pd.concat
针对唯一键DataFrame.join
的多方联接,以及针对非唯一键的多方联接。首先,设置。
# Setup.
np.random.seed(0)
A = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'valueA': np.random.randn(4)})
B = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'valueB': np.random.randn(4)})
C = pd.DataFrame({'key': ['D', 'E', 'J', 'C'], 'valueC': np.ones(4)})
dfs = [A, B, C]
# Note, the "key" column values are unique, so the index is unique.
A2 = A.set_index('key')
B2 = B.set_index('key')
C2 = C.set_index('key')
dfs2 = [A2, B2, C2]
多路合并唯一键(或索引)
如果您的键(此处的键可以是列或索引)是唯一的,则可以使用pd.concat
。请注意,pd.concat
将DataFrames连接到索引。
# merge on `key` column, you'll need to set the index before concatenating
pd.concat([
df.set_index('key') for df in dfs], axis=1, join='inner'
).reset_index()
key valueA valueB valueC
0 D 2.240893 -0.977278 1.0
# merge on `key` index
pd.concat(dfs2, axis=1, sort=False, join='inner')
valueA valueB valueC
key
D 2.240893 -0.977278 1.0
省略join='inner'
完整的外部联接。请注意,您不能指定LEFT或RIGHT OUTER连接(如果需要这些连接,请使用join
,如下所述)。
多路合并重复项
concat
速度很快,但也有缺点。它不能处理重复项。
A3 = pd.DataFrame({'key': ['A', 'B', 'C', 'D', 'D'], 'valueA': np.random.randn(5)})
pd.concat([df.set_index('key') for df in [A3, B, C]], axis=1, join='inner')
ValueError: Shape of passed values is (3, 4), indices imply (3, 2)
在这种情况下,我们可以使用join
它,因为它可以处理非唯一键(请注意,join
将DataFrames连接到它们的索引上;merge
除非另有说明,否则它在后台进行调用并执行LEFT OUTER JOIN)。
# join on `key` column, set as the index first
# For inner join. For left join, omit the "how" argument.
A.set_index('key').join(
[df.set_index('key') for df in (B, C)], how='inner').reset_index()
key valueA valueB valueC
0 D 2.240893 -0.977278 1.0
# join on `key` index
A3.set_index('key').join([B2, C2], how='inner')
valueA valueB valueC
key
D 1.454274 -0.977278 1.0
D 0.761038 -0.977278 1.0